【機器學習系列文章】第6部分：最好的機器學習資源
目錄
製作人工智慧，機器學習和深度學習課程的資源彙編。
關於制定課程的一般建議
去學校參加正式學位課程並不總是可行或可取的。對於那些考慮自學選擇的人，這適合你。
1.建立基礎，然後專注於感興趣的領域。
你無法深入研究每一個機器學習主題。有太多東西需要學習，而且這個領域正在迅速發展。掌握基礎概念，然後專注於特定興趣領域的專案 - 無論是自然語言理解，計算機視覺，深度強化學習，機器人學還是其他任何領域。
2.圍繞個人興奮的主題設計課程。
對於某些長期學術或職業目標而言，動機遠比微觀優化學習策略更為重要。如果你玩得開心，你會快速進步。如果你試圖強迫自己前進，你會放慢速度。
我們已經包含了我們親自探索或強烈推薦的資源。這份清單並非詳盡無遺。有無窮無盡的選擇，太多的選擇會適得其反。但是，如果我們缺少的是屬於這裡一個巨大的資源，請伸手！
基金會
程式設計
線性代數
深度學習書，第2章：線性代數。快速回顧與機器學習相關的線性代數概念。 Nalini Ravishanker和Dipak Dey的線性模型理論第一課程。在統計上下文中引入線性代數的教科書。
概率與統計
麻省理工學院18.05，
微積分
可汗學院：微分學。或者，任何入門微積分課程或教科書。 Stanford CS231n：由Justin Johnson編寫的衍生物，反向傳播和向量化。
機器學習
培訓
Andrew Ng 關於Coursera 的機器學習課程（或者，更嚴格的是斯坦福CS229）。
資料科學訓練營：Galvanize（全職，3個月，$$$$），
教科書
Gareth James等人的統計學習導論。基本機器學習概念的優秀參考，可線上免費獲得。
深度學習
培訓
Deeplearning.ai，Andrew Ng的入門深度學習課程。CS231n：用於視覺識別的卷積神經網路，斯坦福大學的深度學習課程。有助於建立基礎，有吸引力的講座和說明性的問題集。
專案
Fast.ai，一個有趣且實用的基於專案的課程。專案包括對狗與貓的影象進行分類並生成尼采文字。MNIST手寫數字分類與TensorFlow。使用Google的本教程，在3小時內對手寫數字進行分類，準確度大於99％。 在Kaggle比賽中嘗試一下。使用GitHub上的其他版本作為參考資料，實現您感興趣的深度學習論文。
閱讀
深度學習書，又名深度學習聖經，由Ian Goodfellow，Yoshua Bengio和Aaron Courville撰寫。神經網路和深度學習，邁克爾尼爾森的一個清晰易懂的線上深度學習文字。結束關於達到人類智慧的評論。深度學習論文閱讀路線圖，由年表和研究領域組織的主要論文彙編。
強化學習
培訓
John Schulman的CS 294：伯克利的深度強化學習。 David Silver 在倫敦大學學院的強化學習課程。Deep RL Bootcamp，由OpenAI和加州大學伯克利分校組織。應用程式目前已關閉，但值得關注以後的會話。
專案
來自Pixels的 Andrej Karpathy的Pong。在130行程式碼中從頭開始實現Pong-playing代理。 Arthur Juliani使用Tensorflow系列進行簡單強化學習。使用TensorFlow實施Q-learning，政策學習，演員評論方法和探索策略。 請參閱OpenAI 針對更多專案創意的研究請求。
閱讀
Richard Sutton的書，強化學習：簡介。
人工智慧
人工智慧： Stuart Russell和Peter Norvig的現代方法。 Sebastian Thrun的Udacity課程，人工智慧簡介。 獎學金：洞察AI研究員計劃，Google Brain Residency計劃
人工智慧安全
對於簡短版本，請閱讀：（1）Johannes Heidecke的人工智慧風險，（2）OpenAI和Google Brain 在人工智慧安全方面的具體問題上的合作，以及（3）等待但為什麼關於AI革命的文章。 對於更長的版本，請參閱尼克博斯特羅姆的超級智慧。 檢視機器智慧研究所（MIRI）和Future of Humanity Institute（FHI）釋出的關於AI安全性的研究。 在Reddit上與ControlProblem保持同步。
簡訊
匯入AI，每週AI簡報，涵蓋行業的最新發展。由OpenAI的Jack Clark編寫。機器學習，由Sam DeBrule編寫。經常出現在該領域的專家。Nathan.ai，從風險投資的角度報道最近的新聞和對AI / ML的評論。人工智慧的狂野周由丹尼布里茨。標題說明了一切。
別人的建議
“你拿藍色藥丸，故事結束了。你在床上醒來，相信你想要的任何東西。你服用紅色藥丸，你留在仙境，我會告訴你兔子洞的深度。“ - Morpheus
祝你好運！